[发明专利]深度学习负荷预测方法、装置及终端设备

说明书

本发明适用于数据预测技术领域，提供了一种深度学习负荷预测方法、装置及终端设备。所述深度学习负荷预测方法包括：利用第一预设移动时间窗将预测区间划分为多个第一子预测区间，以及将历史负荷数据划分为多个第一子负荷训练数据，其中所述历史负荷数据的长度与所述预测区间的长度对应；利用所述多个第一子负荷训练数据训练所述多个第一子预测区间的深度学习预测模型，并获得每个子预测区间的负荷预测值；根据各个子预测区间的预测值确定最终预测值。上述深度学习负荷预测方法通过调整切分预测区间的细粒度及选择适当的历史负荷数据，适用于不同时长的负荷预测，而且获得的预测值更加精确可靠。

技术领域

本发明属于数据预测领域，尤其涉及一种深度学习负荷预测方法、装置及终端设备。

背景技术

负荷预测是根据历史负荷变化规律，结合天气、温度、经济、政治等因素对未来几小时、几天或者几月几年的负荷进行科学的预测。

目前，传统的负荷预测方法大都需要根据不同的预测时间采用不同的负荷预测方法，这样构建的负荷预测模型复杂度高，通用性低。且随着新能源(如风力发电和光伏发电等)的渗透和持续增长和灵活可控负荷的用电转移，用电负荷的随机性和不确定性不断增加，这就对负荷预测的精确可靠提出了更高的要求。

发明内容

有鉴于此，本发明实施例提供了一种深度学习负荷预测方法、装置及终端设备，以解决现有技术中构建的负荷预测模型复杂度高、通用性低以及负荷预测不够精确可靠的问题。

本发明实施例的第一方面提供了一种深度学习负荷预测方法，包括：

利用第一预设移动时间窗将预测区间划分为多个第一子预测区间，以及将历史负荷数据划分为多个第一子负荷训练数据，其中所述历史负荷数据的长度与所述预测区间的长度对应；

利用所述多个第一子负荷训练数据训练所述多个第一子预测区间的深度学习预测模型，并获得每个子预测区间的负荷预测值；

根据各个子预测区间的预测值确定最终预测值。

优选地，所述第一预设移动时间窗由聚类算法得到，过程为：

随机地获取一组第二预设移动时间窗，利用所述一组第二预设时间窗将所述历史负荷数据划分为多组第二子负荷训练数据，其中所述多组第二子负荷训练数据作为聚类算法的输入；

根据聚类算法的衡量标准找到最小的聚类数目；

选择聚类数目的最小值，并将该最小值所对应的最大长度的移动时间窗作为所述第一预设移动时间窗。

优选地，采用平均轮廓系数和间隔统计量作为所述聚类算法的衡量标准。

优选地，所述一组第二预设移动时间窗的设置方法为：

每个第二预设移动时间窗的初始长度相同，利用所述第二预设移动时间窗将所述历史负荷数据划分为一组第二子负荷训练数据，并在对所述第二预设移动时间窗的上一长度增加预设步长ΔT后，根据增加后的第二预设移动时间窗的当前长度对所述历史负荷数据进行划分，直至得到多组第二子负荷训练数据；或

每个第二预设移动时间窗的初始长度不同，根据历史负荷数据的变化率设置所述第二预设移动时间窗的长度，并在对所述第二预设移动时间窗的上一长度增加预设步长ΔT后，根据增加后的第二预设移动时间窗的当前长度对所述历史负荷数据进行划分，直至得到多组第二子负荷训练数据。

优选地，所述第一预设移动时间窗的移动方式为：

当前第一预设移动时间窗在执行下一步移动时，若预设移动步长Δt满足Δt＝T_win,i，则下一第一预设移动时间窗的起始位置与当前第一预设移动时间窗的结束位置衔接，其中T_win,i为当前第一预设移动时间窗的长度；或